CarbCam tar bildet ditt, sender det til en AI-tjeneste, mottar et estimat av komponentene, validerer verdiene mot standard ernæringsdatabaser og viser deg resultatet.

Hver analyse går gjennom opptil seks steg:

Visualisert flyt: etterfulgt av de virkelige skjermbildene for sammenligning:

1. Skann-fane

2. AI-analyse

3. Resultat

1 Bildeopptak & lokal bildebeskjæring

Bildet blir i utgangspunktet helt på enheten din. Du kan beskjære, rotere eller ta det på nytt. Ingenting lastes opp før du trykker “Analyser”.

2 Serverbufferforespørsel (forhåndssjekk)

Før bildet i det hele tatt sendes til AI-en, sjekker appen via SHA-512-hash og perseptuell hash om et identisk eller svært likt bilde allerede finnes i serverbufferen. Ved et treff får du det lagrede resultatet tilbake umiddelbart: uten et nytt AI-kall. Et påfølgende Bekreft-steg markerer bufferoppføringen som forbrukt (kvotetelling).

3 Opplasting til AI-analyse

Hvis det ikke er noe buffertreff, sendes det (beskårede) bildet til analyseendepunktet vårt. En visjonsmodell (Gemini, Claude eller OpenAI, avhengig av valget ditt i appinnstillingene) kalles der for å beskrive bildet, navngi de enkelte komponentene og estimere omtrentlige mengder.

4 Bakgrunnsvalidering (kun ved lav tillit)

Hvis AI-estimatet rapporterer en lav tillit, starter serveren en bakgrunns- kryssjekk mot ernæringsdatabaser (USDA FoodData Central, Open Food Facts). De korrigerte verdiene mates inn i bufferen: neste gang det samme eller et lignende bilde matches, ser du det forbedrede resultatet. For skanninger med høy tillit hoppes dette steget over.

For strekkoder utføres imidlertid Open Food Facts- / USDA-sammenligningen alltid direkte, siden produsentens næringstabell er den primære kilden her.

5 Redigering av deg

Du kan overstyre enhver verdi: mengde, karbohydrater, kcal, FPE, komponent. Ved lagring brukes dine verdier, ikke AI-estimatet. Appen lagrer din totale karbohydratkorreksjon (Bruker: Xg vs AI: Yg) som en differanse for statistiske formål.

6 Lagre & Nightscout-synkronisering

Lokalt i en SQLite-database. Eventuelt også via Nightscout-synkronisering til Nightscout-instansen din: men kun som et notat i behandlingstabellen (med taggen CarbCam), ikke som en aktiv karbohydrat-/insulinbehandling. Loop/AAPS/iAPS-beregningene dine påvirkes ikke av CarbCam-lagringer: måltidet er kun synlig som et notat. Hvis du bruker Managed Nightscout fra ns.10be.de, er oppsettet spesielt enkelt: oppgi Nightscout-URL og API-hemmelighet, ferdig.

Hvis du vil ha karbohydrater aktivt som en behandling, bruk Del-knappen i skanneresultatet: den sender karbohydratverdien via deep link til AAPS/AndroidAPS, Loop, iAPS eller Trio eller åpner systemets delingsark.

FPE står for fett-protein-enheter. De beskriver hvor mye energi fra fett og protein som påvirker blodsukkeret med en forsinkelse.

Én FPE tilsvarer omtrent 100 kcal fra fett og protein. Eksempel:

• 30 g fett + 20 g protein = (270 + 80) ÷ 100 = 3,5 FPE

Pumpebrukere bruker ofte FPE til å sette parametrene for forlenget bolus (f.eks. firkant- eller dobbeltbølge). Penn-brukere kan bruke FPE som en grov indikator for et sent korreksjonsmellommåltid eller en liten ettermiddagskorreksjon.

CarbCam viser FPE som en gul brikke i resultatkortet. Næringsverdifargene:

• Karbo Karbohydrater
• kcal Kalorier
• FPE Fett-protein-enheter
• Fett Fett
• Protein Protein

Når Nightscout er konfigurert, laster CarbCam BG-data fra Nightscout-instansen din og viser blodsukkerkurven i historikk-fanen under hvert måltid. Tidsvinduet er plattformavhengig og velges automatisk rundt måltidet. Sammen med Nightscout muliggjør CarbCam målrettet BG-oppfølging etter måltid.

Funksjoner i BG-kurven (Nightscout-data):

• Tidsvindu rundt måltidet (plattformavhengig)
• Markør for måltidstidspunktet
• Toppunkt fremhevet i farge (rød/gul/grønn avhengig av nivå)
• Stigning og sluttverdi som nøkkeltall
• IOB / COB som valgfrie overleggslinjer

Nøyaktigheten avhenger av måltidstypen:

Hva som forbedrer nøyaktigheten:

• God belysning & skarpt bilde: ingen skygger over tallerkenen
• Alle komponenter synlige: ikke drukne pastaen i saus
• Størrelsesreferanse: ha tallerkenkanten, bestikket eller hånden i bildet
• Standardretter: AI-en er god på velkjente retter

Hva som reduserer nøyaktigheten:

• Buffétallerkener med mange små hauger
• Komponenter tungt dekket av saus
• Svært uvanlige regionale retter uten en tydelig referansedatabase
• Fotografert på skrå fra siden uten en størrelsesreferanse

Hva dette betyr for bolusen din:

• For normale måltider: bruk estimatet som utgangspunkt, anvend din egen kunnskap, og juster verdien før lagring ved behov
• For kritiske bolusbeslutninger (svært høye karbohydrater, hypo-risiko): rådfør deg alltid med din egen kunnskap / database / emballasje
• Med pumpe: skaff deg erfaring om hvor mye dine måltider typisk avviker: korriger deretter estimatet med din personlige faktor

Uten internettforbindelse fungerer følgende funksjoner:

• Bla i og filtrere historikken
• Opprette og redigere oppføringer manuelt
• Se statistikk-fanen
• Eksportere data (CSV/JSON)
• Ta bilder og sette dem i kø for senere analyse

Følgende krever en tilkobling:

• AI-analyse (bildet sendes til leverandøren)
• Automatisk strekkodeoppslag (Open Food Facts)
• Nightscout-synkronisering (BG-kurve, behandlingsopplasting)